---
title: "COVID19 Dashboard"
output: 
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: fill
    social: [ "twitter", "facebook", "menu"]
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
# library(knitr)

#integrar visualización
library(patchwork)

library(DT)
library(rpivotTable)
library(ggplot2)
library(plotly)
library(dplyr)
library(openintro)
library(highcharter)
library(ggvis)
library(tidyverse)
# library(tibbletime)
library(reactable)
library(htmltools)
library(fpp3)
library(feasts)
library(fable)
library(tsibble)
library(lubridate)
library(kableExtra)
library(formattable)
#importación y lectura
library(readxl)
library(tidyr)
library(vroom)
#Mapas
library(leaflet)
library(ggmap) # -> para obtener lon y lat de los municipios
library(raster)
library(spData)
library(tmap)
library(RJSONIO)
library(tmaptools)
library(Hmisc)
library(mxmaps) #se instala con un repo de gitgub con el 
                #siguiente comando
                #if (!require("devtools")) {
#     install.packages("devtools")
# }
# devtools::install_github("diegovalle/mxmaps")

library(sf)
library(scales) # needed for comma
library(rgeos)
library(maptools)
library(leaflet)
library(geojsonio)
library(jsonlite)

```


```{r}

data <- read_csv("VehicleFailure.csv")
  
delitos <- read_csv("../Delitos/delitos2015-2021.csv", 
                    locale(encoding = "latin1"),
                    col_names = TRUE, 
                    col_types = NULL
                 )
  #######Quedarse solo con las columnas y filas necesarias#######

delitos_a_comparar <- c("Feminicidio", "Abuso sexual", 
                        "Acoso sexual", "Hostigamiento sexual",
                        "Otros delitos que atentan contra la libertad y la seguridad sexual",
                        "Violación simple", "Violación equiparada", "Trata de personas",
                        "Tráfico de menores", "Secuestro", "Violencia familiar")

delitos_tidy <- delitos %>%
  filter( Tipo_de_delito %in% delitos_a_comparar | 
          Subtipo_de_delito == "Homicidio doloso" |
          Subtipo_de_delito == "Lesiones dolosas" ) %>% 
  pivot_longer(
  cols = Enero:Diciembre ,
  names_to = "Meses",
  values_to = "Cuenta"
) %>% 
  group_by(Ano, Meses, Tipo_de_delito, Subtipo_de_delito) %>% 
  summarise(Cuenta = sum(Cuenta), .groups = "drop")

delitos_tidy <- delitos_tidy %>% 
  mutate(
    Meses = str_trunc(Meses, width = 3, ellipsis = ""),
    Meses = case_when(
      Meses == "Ene" ~ "Jan",
      Meses == "Abr" ~ "Apr",
      Meses == "Ago" ~ "Aug",
      Meses == "Dic" ~ "Dec",
      TRUE           ~ Meses
    )
  ) %>% 
  unite(col = "Fecha", c(Ano,Meses), sep = " ") %>% 
  mutate(Fecha = yearmonth(Fecha))

delitos_tidy_tsbl <- delitos_tidy %>% 
  as_tsibble(
    index = Fecha,
    key   = c(Tipo_de_delito, Subtipo_de_delito)
  )

mycolors <- c("blue", "#FFC125", "darkgreen", "darkorange")
```

Delitos en época de COVID19
=====================================



























































Row
-------------------------------

### Tabla de incidencia

```{r}


#Tabla de incidencia

Incidencia_2019 <-delitos_tidy_tsbl %>% 
  tsibble::group_by_key() %>% 
  tsibble::index_by(Año = year(Fecha)) %>% 
  dplyr::summarise(Cuenta = sum(Cuenta)) %>% 
  dplyr::filter(Año %in% 2019) %>%
  dplyr::as_tibble(Incidencia_2019) %>%
  dplyr::transmute( Delito = Tipo_de_delito, 
                    Incidencia_2019 = Cuenta) 

Incidencia_2020 <- delitos_tidy_tsbl %>%
  group_by_key() %>%
  
  index_by(Año = year(Fecha)) %>%
  
  dplyr::summarise(Cuenta = sum(Cuenta)) %>%
  dplyr::filter(Año %in% 2020) %>%
  dplyr::as_tibble(Incidencia_2020) %>%
  dplyr::mutate(Delito = Tipo_de_delito,
        Incidencia_2020 = Cuenta) %>%
  dplyr::select(Delito, Incidencia_2020)

Incidencia <- Incidencia_2020 %>%
  add_column(Incidencia_2019$Incidencia_2019) %>%
  dplyr::mutate(
    Porcentaje_de_cambio = round((
      (Incidencia_2020 - Incidencia_2019$Incidencia_2019)/Incidencia_2020), digits = 5),
    Incidencia_2019 = Incidencia_2019$Incidencia_2019) %>%
  
  dplyr::select(Delito, Incidencia_2019, Incidencia_2020, Porcentaje_de_cambio)%>%
  arrange(desc(Porcentaje_de_cambio)) 
 
Tabla <- Incidencia %>%
  mutate(Porcentaje_de_cambio =  percent(Porcentaje_de_cambio, 2)) %>%
  kbl(fortmat = "htlm", col.names = c("Delitos",
                                      "Incidencia en 2019",
                                      "Incidencia en 2020",
                                      "Porcentaje de cambio")) %>%
  
  kable_styling(bootstrap_options = "striped",
                full_width = F,
                position = "left",
                font_size = 14) %>%
  
  column_spec(4,color = ifelse( Incidencia$Porcentaje_de_cambio > 0, "red", "green"))
Tabla


```


### Delitos sexuales y de género

```{r}

sexuales_y_genero = c("Abuso sexual", 
                      "Acoso sexual",
                      "Feminicidio", 
                      "Violación simple", 
                      "Violación equiparada", 
                      "Hostigamiento sexual", 
                      "Otros delitos que atentan contra la libertad y la seguridad sexual")

p2 <-  delitos_tidy_tsbl %>%
  filter (Tipo_de_delito %in% sexuales_y_genero) %>%
  ggplot() + 
  geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))

p2

```

### Delitos contra la libertad

```{r}
p3 <- delitos_tidy_tsbl %>%
  filter (Tipo_de_delito %in% c("Trata de personas", "Tráfico de menores", "Secuestro") ) %>%
  ggplot() + 
  geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))

p3
```

Row
------------------------------------
### Delitos dolosos 

```{r}
p4 <- delitos_tidy_tsbl %>%
  filter(Subtipo_de_delito %in% c("Lesiones dolosas", "Homicidio doloso")) %>%
  ggplot() + 
  geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))

p4
```

### Delitos violencia familiar 

```{r}
p5 <- delitos_tidy_tsbl %>%
  filter (Tipo_de_delito == "Violencia familiar") %>%
  ggplot() +
  geom_line(mapping = aes(x = Fecha, y = Cuenta, color = Tipo_de_delito))

p5
```

Mapa nacional 1 y pruebas realizadas
========================================

Row
------------------------------------

### Mapa nacional de resultados positivos 

```{r}
# car <- data %>%
#          group_by(State) %>%
#          summarize(total = n())
# car$State <- abbr2state(car$State)
# 
# highchart() %>%
#          hc_title(text = "Car Failures in US") %>%
#          hc_subtitle(text = "Source: Vehiclefailure.csv") %>%
#          hc_add_series_map(usgeojson, car,
#                            name = "State",
#                            value = "total",
#                            joinBy = c("woename", "State")) %>%

#          hc_mapNavigation(enabled = T)
# lubridate::today()-1
# fecha <- "210415"
options(timeout = 700)
temp <- tempfile()
download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)


Datosmex2502 <- vroom::vroom(unz(temp, unzip(temp, list = TRUE) %>% pull(Name)))
unlink(temp)

```


```{r}

Entidades <- read_xlsx("../Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")

# Clasificación de datos  -------------------------------------------------

#datos necesarios para la prueba
datosimportates <- dplyr::select(Datosmex2502,`FECHA_INGRESO`,`ENTIDAD_RES`,
                                 `TOMA_MUESTRA_LAB`,`RESULTADO_LAB`, `TOMA_MUESTRA_ANTIGENO`,
                                 `RESULTADO_ANTIGENO`, `CLASIFICACION_FINAL`)%>%
  left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))

#datos confirmados sin realización de pruebas
confirmados <- datosimportates %>% 
  filter(`CLASIFICACION_FINAL`%in% c(1,2,3)) %>% 
  dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`, `ENTIDAD_FEDERATIVA`, `ABREVIATURA`) %>% 
  mutate(
    year = lubridate::year(FECHA_INGRESO),
    month = lubridate::month(FECHA_INGRESO),
    day = lubridate::day(FECHA_INGRESO)
  ) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) 

# Agrupación de datos  ----------------------------------------------------
#Numero de positivos por estado
positivosestado <- confirmados %>%
  group_by(`ENTIDAD_RES`) %>%
  summarise(
    count=n(),
  )

#Selección de nombre estados, por orden de codigo
nombreEstado <- Entidades %>%
  dplyr::select(`ENTIDAD_FEDERATIVA`) %>%
  slice( 1:32)

mapaPositivos <- positivosestado %>%
  add_column(nombreEstado)

# Mapa  -------------------------------------------------------------------

# data(mapaPositivos)
# mapaPositivos$rand <- mapaPositivos$count
# mapaPositivos$region <- mapaPositivos$ENTIDAD_RES
# mxstate_choropleth(mapaPositivos,
#                    title = "Casos confirmados de COVID por estado.",
#                    legend = "Número de casos.",
# )


# Convert the topoJSON to spatial object
tmpdir <- tempdir()
# have to use RJSONIO or else the topojson isn't valid
write(RJSONIO::toJSON(mxstate.topoJSON), file.path(tmpdir, "sta.topojson"))
mxstate <- topojson_read(file.path(tmpdir, "sta.topojson")) 


#ordenamos los datos del topoJSON en orden numérico
mxstate <- mxstate[order(mxstate$id),]


mxstate <- as_Spatial(mxstate)

mxstate$rand <- mapaPositivos$count

bins <- c(5000,20000 , 30000, 35000, 50000, 60000, 115000,300000, Inf)
pal <- colorBin("YlOrRd", domain = mxstate$rand, bins=bins)


etiqueta <- paste(
  "Estado: ", mapaPositivos$ENTIDAD_FEDERATIVA, "
",
  "Número de casos: ", mapaPositivos$count
) %>%
  lapply(htmltools::HTML)

leaflet(mxstate) %>%
  addPolygons(
              fillColor = ~pal(mxstate$rand),
              fillOpacity = 1,
              stroke = TRUE,
              color = "White",
              weight = 1.5, 
              dashArray = "3",
              highlight = highlightOptions(
                weight = 5,
                color = "#666",
                dashArray = "",
                fillOpacity = 0.7,
                bringToFront = TRUE),
              label = etiqueta,
  )%>%
addLegend(pal = pal, values = ~mapaPositivos$rand, opacity = 0.7, title = "Casos
positivos
contagios",
          position = "bottomright")%>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Positivos totales COVID19 México", position = "bottomleft") %>% 
addProviderTiles("CartoDB.Positron")

```


Row
------------------------------------

### Pruebas realizadas por estado 

```{r}
# # Importación de datos ----------------------------------------------------
# 
# 
# # Datosmex2502 <- read_csv("210225COVID19MEXICO.csv")
# # Descarga de datos desde la página web
# fecha <- "210412"
# options(timeout = 600)
# temp <- tempfile()
# download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)
# 
# 
# Datosmex2502 <- vroom::vroom(unz(temp, paste0(fecha,"COVID19MEXICO.csv")))
# unlink(temp)
# 
# 
# Entidades <- read_xlsx("Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")
# # Clásificación  ----------------------------------------------------------
# 
# #datos necesarios para la prueba
# datosimportates <- dplyr::select(Datosmex2502,`FECHA_INGRESO`,`ENTIDAD_RES`,
#                                  `TOMA_MUESTRA_LAB`,`RESULTADO_LAB`, `TOMA_MUESTRA_ANTIGENO`,
#                                  `RESULTADO_ANTIGENO`, `CLASIFICACION_FINAL`)%>%
#   left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))


#datos de las pruebas realizadas ese día en todo el país
pruebasfiltro <- datosimportates %>% 
  dplyr::filter(`TOMA_MUESTRA_LAB`== 1 | `TOMA_MUESTRA_ANTIGENO`==1 ) %>% 
  dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`,`ENTIDAD_FEDERATIVA`,`ABREVIATURA`) %>% 
  mutate(
    year = lubridate::year(FECHA_INGRESO),
    month = lubridate::month(FECHA_INGRESO),
    day = lubridate::day(FECHA_INGRESO)
  ) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) 
  


# Agrupación de datos  ----------------------------------------------------

#Numero de pruebas por estado totales hasta la fecha de datos
pruebasXEstado <- pruebasfiltro %>%
  group_by(`ENTIDAD_FEDERATIVA`) %>%
  mutate(`Numero de pruebas`=n()) %>%
  distinct(`ENTIDAD_FEDERATIVA`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_FEDERATIVA`) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`) 

pruebasXEstado <- pruebasXEstado %>% 
  dplyr::select(
    `ENTIDAD_FEDERATIVA`,
    `Numero de pruebas`
  )

pruebasfiltro$FECHA_INGRESO <- format(pruebasfiltro$FECHA_INGRESO, "%Y-%m")


#Numero de pruebas por estado según el día 
pruebasxEstadoxDia <- pruebasfiltro %>%
  group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
  mutate(count=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>% 
  arrange(`ENTIDAD_RES`) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`) 

  
  
  
  

# Gráfica  ----------------------------------------------------------------


ggplot(data = pruebasfiltro) +
  geom_bar(mapping = aes(y = FECHA_INGRESO, fill = ABREVIATURA), position = "dodge")

```

### Pruebas realizadas por estado 

```{r}

# Tabla  ------------------------------------------------------------------

#Tabla que muestra el número de pruebas que se hacen por día en los estados
formattable(pruebasXEstado, #llamo datos
            align =c("l","c"), #Para alinear los datos de la tabla cada "" es una columna
            list(`ENTIDAD_FEDERATIVA` = formatter( #datos específicos
              "span", style = ~ style(color = "grey",font.weight = "bold")),
              `Numero de pruebas` = color_bar("Red") # me crea una barra roja con proporción a los datos
            )
)






```



Mapa porcentaje de positividad 
========================================
Row
------------------------------------

### Porcentaje total 

```{r}

# Importación de datos ----------------------------------------------------

#Datosmex2502 <- read_csv("210225COVID19MEXICO.csv")
# Descarga de datos desde la página web
# fecha <- "210414"
# options(timeout = 700)
# temp <- tempfile()
# download.file("http://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip", temp)
# 
# 
# Datosmex2502 <- vroom::vroom(unz(temp, unzip(temp, list = TRUE) %>% pull(Name)))
# unlink(temp)
# 
# 
# Entidades <- read_xlsx("Datos nacionales abiertos/201128 Catalogos.xlsx",sheet="Catálogo de ENTIDADES")
# 
# # Clasificación de datos  -------------------------------------------------
# 
# #datos necesarios para la prueba
# datosimportates <- dplyr::select(Datosmex2502,`FECHA_INGRESO`,`ENTIDAD_RES`,
#                           `TOMA_MUESTRA_LAB`,`RESULTADO_LAB`, `TOMA_MUESTRA_ANTIGENO`,
#                           `RESULTADO_ANTIGENO`, `CLASIFICACION_FINAL`)%>%
#   left_join(Entidades, by=c("ENTIDAD_RES"="CLAVE_ENTIDAD"))
# 
# 
# 
# #datos confirmados sin realización de pruebas
# confirmados <- datosimportates %>%
#   filter(`CLASIFICACION_FINAL`%in% c(1,2,3)) %>%
#   dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`, `ENTIDAD_FEDERATIVA`, `ABREVIATURA`) %>%
#   mutate(
#     year = lubridate::year(FECHA_INGRESO),
#     month = lubridate::month(FECHA_INGRESO),
#     day = lubridate::day(FECHA_INGRESO)
#   ) %>%
#   drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`)

#datos de las pruebas realizadas ese día en todo el país
pruebasfiltro <- datosimportates %>% 
  dplyr::filter(`TOMA_MUESTRA_LAB`== 1 | `TOMA_MUESTRA_ANTIGENO`==1 ) %>% 
  dplyr::select(`FECHA_INGRESO`, `ENTIDAD_RES`,`ENTIDAD_FEDERATIVA`,`ABREVIATURA`) %>% 
  mutate(
    year = lubridate::year(FECHA_INGRESO),
    month = lubridate::month(FECHA_INGRESO),
    day = lubridate::day(FECHA_INGRESO)
  ) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`, `FECHA_INGRESO`) 


#Separación de datos por fechas para mapas
pruebas2020 <- dplyr::filter(pruebasfiltro, year==2020)
pruebEstado2020 <- pruebas2020 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
  )

pruebas2021 <- dplyr::filter(pruebasfiltro, year==2021)
pruebEstado2021 <- pruebas2021 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
  )
#confirmados por año para mapas
confirm2020 <- confirmados %>% 
  dplyr::filter( year==2020) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`)
confirmEstado2020 <- confirm2020 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
  )

confirm2021 <- confirmados %>% 
  dplyr::filter( year==2021) %>% 
  drop_na(`ENTIDAD_FEDERATIVA`)
confirmEstado2021 <- confirm2021 %>% 
  group_by(`ENTIDAD_RES`) %>% 
  summarise(
    count=n()
    
  )


#Numero de pruebas por estado totales hasta la fecha de datos
pruebasXEstado <- pruebasfiltro %>%
  group_by(`ENTIDAD_RES`) %>%
  mutate(PRUEBAS=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_RES`) %>% 
  drop_na() 


# #Numero de pruebas por estado según el día 
# pruebasxEstadoxDia <- pruebasfiltro %>%
#   group_by(`ENTIDAD_RES`,`FECHA_INGRESO`) %>%
#   mutate(count=n()) %>%
#   distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>% 
#   arrange(`ENTIDAD_RES`) %>% 
#   drop_na() 
#   
# 
#  prubeasXEstadotsbl <- pruebasxEstadoxDia %>%
#    as_tsibble( key = `ENTIDAD_RES`,
#               index = `FECHA_INGRESO`
#    )

# group_split(pruebasxEstadoxDia)
# group_keys(pruebasxEstadoxDia)

#Positivos por estado totales hasta la fecha de datos
positivoxEstado <- confirmados %>%
  group_by(`ENTIDAD_RES`) %>%
  mutate(CONFIRMADOS=n()) %>%
  distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>%
  arrange(`ENTIDAD_RES`) %>% 
  dplyr::select(ENTIDAD_RES, ENTIDAD_FEDERATIVA, CONFIRMADOS )

# #Positivos por estado según el día 
# positivoxEstadoxDia <- confirmados %>%
#   group_by(`ENTIDAD_RES`, `FECHA_INGRESO`) %>%
#   mutate(count=n()) %>%
#   distinct(`ENTIDAD_RES`, .keep_all = TRUE) %>% 
#   arrange(`ENTIDAD_RES`) %>% 
#   drop_na()
# 
# positivoXDiatsbl <- positivoxEstadoxDia %>%
#   as_tsibble( key = ENTIDAD_RES,
#              index = FECHA_INGRESO
#              
#   )


#Selección de nombre estados, por orden de codigo
nombreEstado <- Entidades %>%
  dplyr::select(`ENTIDAD_FEDERATIVA`) %>%
  slice( 1:32)
  


# Agrupación de datos totales -----------------------------------------------------

# #suma total de las pruebas realizadas
totalpruebas <- pruebasXEstado$PRUEBAS %>%
  sum(na.rm = TRUE)

#suma total de las pruebas que salieron positivas
totalpositivas <- positivoxEstado$CONFIRMADOS %>%
  sum(na.rm = TRUE)

#Porcentaje por estado de las pruebas positivas a el total de pruebas realizadas en los estados
positividadPais <- (totalpositivas/totalpruebas)*100
#positividadPais

positividad <- ((positivoxEstado$CONFIRMADOS/pruebasXEstado$PRUEBAS)*100)
#positividad

#porcentaje total de las pruebas positivas de acuerdo a que estado. 
porcenestado <- (positivoxEstado$CONFIRMADOS/totalpositivas)*100
porcenestado <- as.numeric(porcenestado) 
#porcenestado

#Porcentaje total de pruebas positvas
porcen <- sum(positividad, na.rm = TRUE) 

#verificación de suma de porcentaje de pruebas positivas (porcenestado)
sumporcentaje <- sum(porcenestado, na.rm = TRUE)

# creamos tibble con datos de codigo de entidad y casos positivos
nueva <- positivoxEstado %>% 
  #agregamos porcentajes de acuerdo al total de pruebas positivas
  add_column(porcenestado)%>% 
  #agregamos porcentajes del total de pruebas
  add_column(positividad) %>% 
  add_column(pruebasXEstado$PRUEBAS)
  # #Agregamos el nombre de los estados por orden de codigo
  # add_column(nombreEstado) 

# Agrupación de datos 2020 ------------------------------------------------

# #suma total de las pruebas realizadas
# totalpruebas2020 <- pruebEstado2020$count %>%
#   sum(na.rm = TRUE)

#suma total de las pruebas que salieron positivas
totalpositivas2020 <- confirmEstado2020$count %>%
  sum(na.rm = TRUE)

#Porcentaje por estado de las pruebas positivas a el total de pruebas realizadas en los estados
positividad2020 <- (confirmEstado2020$count/pruebEstado2020$count)*100
#positividad2020

#porcentaje total de las pruebas positivas de acuerdo a que estado. 
porcenestado2020 <- (confirmEstado2020$count/totalpositivas2020)*100
porcenestado2020 <- as.numeric(porcenestado) 
#porcenestado2020

#Porcentaje total de pruebas positvas
porcen2020 <- sum(positividad2020, na.rm = TRUE) 

#verificación de suma de porcentaje de pruebas positivas (porcenestado)
sumporcentaje2020 <- sum(porcenestado2020, na.rm = TRUE)

# creamos tibble con datos de codigo de entidad y casos positivos
nueva2020 <- confirmEstado2020 %>% 
  #agregamos porcentajes de acuerdo al total de pruebas positivas
  add_column(porcenestado2020)%>% 
  #agregamos porcentajes del total de pruebas
  add_column(positividad2020) %>% 
  #Agregamos el nombre de los estados por orden de codigo
  add_column(nombreEstado)

# Agrupación de datos 2021 ------------------------------------------------
# #suma total de las pruebas realizadas
# totalpruebas2021 <- pruebEstado2021$count %>%
#   sum(na.rm = TRUE)

#suma total de las pruebas que salieron positivas
totalpositivas2021 <- confirmEstado2021$count %>%
  sum(na.rm = TRUE)

#Porcentaje por estado de las pruebas positivas a el total de pruebas realizadas en los estados
positividad2021 <- (confirmEstado2021$count/pruebEstado2021$count)*100
#positividad2021

#porcentaje total de las pruebas positivas de acuerdo a que estado. 
porcenestado2021 <- (confirmEstado2021$count/totalpositivas2021)*100
porcenestado2021 <- as.numeric(porcenestado2021) 
#porcenestado2021

#Porcentaje total de pruebas positvas
porcen2021 <- sum(positividad2021, na.rm = TRUE) 

#verificación de suma de porcentaje de pruebas positivas (porcenestado)
sumporcentaje2021 <- sum(porcenestado2021, na.rm = TRUE)

# creamos tibble con datos de codigo de entidad y casos positivos
nueva2021 <- confirmEstado2021 %>% 
  #agregamos porcentajes de acuerdo al total de pruebas positivas
  add_column(porcenestado2021)%>% 
  #agregamos porcentajes del total de pruebas
  add_column(positividad2021) %>% 
  #Agregamos el nombre de los estados por orden de codigo
  add_column(nombreEstado)

# Mapa de positividad total --------------------------------------------------------------------

# de acuerdo al número de pruebas realizadas se calcula el porcentaje de las 
#pruebas que fueron seleccionadas como positivas. (por estado)
#data(nueva)
nueva$value <- nueva$positividad
nueva$region <- nueva$ENTIDAD_RES
# mxstate_choropleth(nueva,
#                    num_colors = 1,
#                    title = "Porcentaje de casos positivos",
#                    legend = "%",
# )

#Mapa interactivo
bins = c(15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48, 51, 54, 57, 60, 63, 66, 69, 72)
pal <- colorBin("viridis", domain = nueva$value, bins=bins)
mxstate_leaflet(nueva,
                pal,
                ~ pal(value),
                ~ sprintf("Estado: %s
Porcentaje de positividad : %s",
                         ENTIDAD_FEDERATIVA , comma(value)  )) %>%
  addLegend(position = "bottomright", 
            pal = pal, 
            values = nueva$value,
            title = "Percentaje
Positividad",
            labFormat = labelFormat(suffix = "%",
                                    )) %>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Mapa positividad de las pruebas totales", position = "bottomleft") %>%
  addProviderTiles("CartoDB.Positron")


```

Row
------------------------------------

### Porcentaje 2020

```{r}
 # Mapa 2020 ---------------------------------------------------------------
# de acuerdo al número de pruebas realizadas se calcula el porcentaje de las 
#pruebas que fueron seleccionadas como positivas. (por estado del año 2020)
data(nueva2020)
nueva2020$value <- nueva2020$positividad2020
nueva2020$region <- nueva2020$ENTIDAD_RES
# mxstate_choropleth(nueva,
#                    num_colors = 1,
#                    title = "Porcentaje de casos positivos",
#                    legend = "%",
# )

#Mapa interactivo
bins=c(15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48, 51, 54, 57, 60, 63, 66, 69, 72)
pal <- colorBin("viridis", domain = nueva2020$value, bins=bins)
mxstate_leaflet(nueva2020,
                pal,
                ~ pal(value),
                ~ sprintf("Estado: %s
Porcentaje de positividad : %s",
                          ENTIDAD_FEDERATIVA , comma(value)  )) %>%
  addLegend(position = "bottomright", 
            pal = pal, 
            values = nueva2020$value,
            title = "Percentaje
Positividad",
            labFormat = labelFormat(suffix = "%",
            )) %>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Mapa positividad de las pruebas en 2020", position = "bottomleft") %>% 
  addProviderTiles("CartoDB.Positron")


```

### Porcentaje 2021
```{r}



# Mapa 2021 ---------------------------------------------------------------
# de acuerdo al número de pruebas realizadas se calcula el porcentaje de las 
#pruebas que fueron seleccionadas como positivas. (por estado del año 2021)
data(nueva2021)
nueva2021$value <- nueva2021$positividad2021
nueva2021$region <- nueva2021$ENTIDAD_RES
# mxstate_choropleth(nueva2021,
#                    num_colors = 1,
#                    title = "Porcentaje de casos positivos",
#                    legend = "%",
# )

#Mapa interactivo
bins = c(15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48, 51, 54, 57, 60, 63, 66, 69, 72)
pal <- colorBin("viridis", domain = nueva2021$value, bins=bins)
mxstate_leaflet(nueva2021,
                pal,
                ~ pal(value),
                ~ sprintf("Estado: %s
Porcentaje de positividad : %s",
                          ENTIDAD_FEDERATIVA , comma(value)  )) %>%
  addLegend(position = "bottomright", 
            pal = pal, 
            values = nueva2021$value,
            title = "Percentaje
Positividad",
            labFormat = labelFormat(suffix = "%",
            )) %>%
  addTiles() %>%
  addMarkers(50, 50) %>%
  addControl("Mapa positividad de pruebas en 2021", position = "bottomleft") %>% 
  addProviderTiles("CartoDB.Positron")


```
```{r}

# Carga de datos ----------------------------------------------------------

#Se importan los datos como un tibble
Vacunastotales <- readr::read_csv("https://raw.githubusercontent.com/owid/covid-19-data/master/public/data/vaccinations/vaccinations.csv")


# Wrangle data ------------------------------------------------------------


#Se quiere trabajar con series de tiempo, entonces convertimos
# a tsibble un objeto que tiene orientación a este tiempo de 
#procesamiento 
Vacunastotales_tsibble <- Vacunastotales %>%
  dplyr::mutate(Daily = as.Date(date)) %>%
  dplyr::select(-date) %>%
  tsibble::as_tsibble(key = location,
             index = Daily)

#se hace una variable con los nombres de los paises de
#LATAM para asi poder llamar la variable a buscar en
#la base de datos si se requiere, esto esta pensado
#en que la instrucción podría hacerse varias veces 
#entonces en teoría debería simplificar el código
  latam <- c("Mexico", "Argentina", 
           "Colombia", "Chile", 
           "Brazil", "Bolivia", 
           "Costa Rica", "Ecuador",
           "Guatemala", "Panama", 
           "Paraguay", "Peru", 
           "Puerto Rico", "Dominican Republic")
  
  #Se encontro que era particularmente complicado mostrar 
  #todos los datos en una sola gráfica, por lo tanto,
  #graficar por secciones y pegar con patchwork es una
  #opción viable, por lo que la variable length(latam) = 14
  #entonces dividimos en 2 grupos para tener símetria.
  
  latam1 <- latam[1:7]
  latam2 <- latam[8:14]
#latam == latam1 + latam2
  
  
#hacemos otro dafa frame que solo sea para los de 
#LATAM y asi trabajamos con un tsibble más pequeña
Vacunas_latam_tsibble <- Vacunastotales_tsibble %>%
  dplyr::select( Daily, location, total_vaccinations, 
          total_vaccinations_per_hundred, 
          daily_vaccinations_per_million) %>%
  filter(location %in% latam)


```

Vacunación en LATAM
=========================================

Row
------------------------------------

### Escenario general

```{r}

#Gráfica que representa el escenario general para los paises 
#de latam en el tiempo vacunados por cada 100 
EscenarioLatam <- ggplot(data = Vacunas_latam_tsibble) + 
  geom_line(mapping = aes(x = Daily, y = total_vaccinations_per_hundred, color = location)) +
  labs(x = 'meses',
         y = 'Vacunas aplicadas por cada 100')

plotly::ggplotly(EscenarioLatam) 

#Notas de el gráifco EscenarioLatam 
#muestra una tendencia creciente
#con temporalidad variable
#No hay evidencia de comportmaiento ciclico 


```


### Temporalidad (Mensual)

```{r}
# #Visualización por periocidad -------------------------------------------

#Utilizando la función gg_season para hacer graficas
#de la vacunación (2 gráficas por pais correspondiente a los
# 2 años de los que se tienen datos) por mes. 

Vacunas_latam_tsibble %>%
  filter(location %in% latam1) %>%
  gg_season(total_vaccinations_per_hundred, labels = "both") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Meses",
       title = "Vacunación por meses en los diferentes paises de LATAM") +
  expand_limits(x = ymd(c("2021-02","2021-04"))) -> g1


#se repite el codigo para hacer lo mismo y luego juntarlos 
#con el apoyo de patch work
Vacunas_latam_tsibble %>%
  filter(location %in% latam2) %>%
  gg_season(total_vaccinations_per_hundred, labels = "both") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Meses",
       title = "Vacunación por meses en los diferentes paises de LATAM") +
  expand_limits(x = ymd(c("2021-02","2021-04"))) -> g2
#No se estiliza que la asignación vaya hasta el final
#pues transgrede con el estilo del código, pero se recomienda
#en el libro de forescasting para darle "fluidez" a la lectura
#del código

#Se encuentra interesante que en marzo la mayoría de los paises
#tienen una linea constante
#Méxio y chile empezaron la vacunación en las últimas semanas
#de diciembre 

# Visualización: Integración de los gráficos con PATCHWORK  -----------------------------

#Establecemos un layout, que es basicamente un # para los espacios en blanco, y letras 
#para los lugares que deseamos que ocupe la letra
layout <- '
AAAABBBB
AAAABBBB
AAAABBBB
'
#cambiamos el lugar de las letras en el layout por nuestrras gráficas
wrap_plots(A = g1,
           B = g2,
           design = layout)


```

### Temporalidad (semanal por mes)
```{r}


#Aquí vemos las gráficas anteriores más a detalle, pues podemos
#ver en que semanas de cada mes hay crecimiento 
Vacunas_latam_tsibble %>% 
  filter(location %in% latam1) %>%
  gg_season(total_vaccinations_per_hundred, period = "month") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Periodicidad de las semanas del mes",
       title = " Vacunación por semanana de los diferentes meses en los paises de LATAM") +
expand_limits(x = ymd(c("2021-02","2021-04"))) -> g3


#repetimos el código para la sección 2
Vacunas_latam_tsibble %>% 
  filter(location %in% latam2) %>%
  gg_season(total_vaccinations_per_hundred, period = "month") +
  labs(y = "Vacunas aplicadas por cada 100",
       x = "Periodicidad de las semanas del mes",
       title = " Vacunación por semanana de los diferentes meses en los paises de LATAM") + 
expand_limits(x = ymd(c("2021-02","2021-04"))) -> g4

# Visualización: Integración de los gráficos con PATCHWORK  -----------------------------

#Establecemos un layout, que es basicamente un # para los espacios en blanco, y letras 
#para los lugares que deseamos que ocupe la letra
layout <- '
AAAABBBB
AAAABBBB
AAAABBBB
'
#cambiamos el lugar de las letras en el layout por nuestrras gráficas
wrap_plots(A = g3,
           B = g4,
           design = layout)


```

Row
------------------------------------

### Pronósticos

```{r}

# Definición del modelo ---------------------------------------------------


#TSLM(total_vaccinations_per_hundred ~ trend())


# Entrenamiento del modelo (Estimación) -----------------------------------

fit <- Vacunas_latam_tsibble %>%
  model(Modelo_tendencia = 
          TSLM(total_vaccinations_per_hundred ~ trend()))
#fit


# Revisar el desempeño del modelo (evaluación) ----------------------------


# Producir pronósticos ----------------------------------------------------

#Se genera la tabla de pronósticos, el cual va ser
#una tabla de tipo fable (objeto) es decir
#forecasting table
fcst <- fit %>% forecast(h = 3) #se hace para los siguientes 3 meses
                                #pues los datos que se tienen hasta el momento
                                # son de 4 - 5 meses
#fcst

# Visualización de la forecasting table

#para grupo 1 latama

fcst %>%
  filter(location %in% latam1) %>%
  autoplot(Vacunas_latam_tsibble) +
  ggtitle('Vacunas en LATAM') + 
  ylab('Vacunas aplicadas por cada 100') +
  xlab('Mes') -> fcst1

#para grupo 2 latam

fcst %>%
  filter(location %in% latam2) %>%
  autoplot(Vacunas_latam_tsibble) +
  ggtitle('Vacunas en LATAM') + 
  ylab('Vacunas aplicadas por cada 100') + 
  xlab('Mes') -> fcst2

#integración de las visualizaciones

fcst3 = fcst1 + fcst2 
fcst3
```